Procesos de simulación en

sistemas estocásticos
Juan Carlos Aldana B.
Objetivo
• Reconocer como desarrollar adecuadamente un
modelo de simulación estocástica, y las variables
que los definen.
Proceso de simulación estocástica
Recolección
de datos

Simulación Asignación
con de números
computadora aleatorios

Formulación
Análisis
del modelo
Recolección de datos

distribuciones de probabilidad
Datos de costos, capacidades,

Registros históricos cuando

la información existe en
informes

Procedimiento de muestreo
estadístico, cuando no se
tiene información precisa
Variables aleatorias
• Cuando en un experimento, las cantidades de
interés son determinadas por el resultado de este
experimento.
• La función de distribución acumulada o función de
probabilidad F, de las variables aleatorias X, es dada
algún número real x para el cual:
F(x) = P(X ≤ x)
• Una variable discreta sólo puede tomar un número
finito de valores, por lo tanto la probabilidad de la
función es: p(x) = P(X=x)
• Y por lo tanto ∞ 𝑡=1 𝑝 𝑥𝑖 = 1
Generación de Números Pseudo-
Aleatorios
• Un número aleatorio es aquel que tiene la misma
probabilidad de ser seleccionado que cualquier
otro número.
• Como en la naturaleza no se puede garantizar la
completa aleatoriedad de un número se generan
los números pseudo-aleatorios.
• Estos constituyen una secuencia de valores, los
cuales son determinísticamente generados,
tienen la apariencia de ser uniformemente
independientes (0,1) de variables aleatorias.
Generación de números Pseudo-
aleatorios
• La aproximación más común para generar números
pseudo-aleatorios, empieza con un valor inicial 𝑣0
llamado semilla, y entonces recursivamente se
computan valores sucesivos 𝑥𝑛 con n≥ 1, para
permitir que:
• 𝑥𝑛 = 𝑎𝑥𝑛−1 , modulo m
• Donde a y m son enteros positivos, y donde la media
𝑑𝑒 𝑎𝑥𝑛−1 , es divido por m y el remanente es tomado.
• Esta ecuación es llamada el método congruencial
multiplicativo.
Generación de Números Pseudo-
Aleatorios
• Se pueden generar números pseudo-aleatorios a
través de:
▫ Las tablas de números aleatorios de los libros
▫ Las calculadoras
▫ Las hojas de cálculo de los computadores
▫ Aplicaciones especificas
Formulación del modelo
Insumos incontrolables
(Parámetros)

Insumos
Salidas
controlables Modelo
(Resultados
(Variables de Matemático
previstos)
decisión)
Análisis
• Es un método para ensayar hipótesis, en el cual
el resultado de un conjunto de simulaciones,
proporcionan datos de muestra que pueden
analizarse estadísticamente.
• Se comparan con otros conjuntos de simulación
para determinar consistencia de los datos.
• También se pueden utilizar para analizar
alternativas y casos extremos, y determinar si
son estadísticamente significativos.
Simulación por computadora

Mejora las alternativas de

la simulación y la
eficiencia

Si son manuales pueden

consumir mucho tiempo

En estado estable
Ejercicio. Venta de vehículos
• La distribuidora de carros Best vende vehículos nuevos.
El Gerente considera que la distribución de probabilidad
de vehículos vendidos por semana es:
Ventas semanales Frecuencia relativa (prob)
0 0,05
1 0,15
2 0,20
3 0,30
4 0,20
5 0,10
Total 1,0
Si el precio de venta por vehículo es de 20 (mill), diseñe un modelo
de simulación que determine las distribuciones de probabilidad y
la media de las próximas 20 semanas
Variables aleatorias
Una variable aleatoria es la descripción numérica del
resultado de un experimento

• Sólo puede asumir una

Discreta secuencia finita o infinita de
valores
• 1, 2, 3,…..100

• Pueden asumir cualquier valor

Contínua en un intervalo determinado
• Números reales
Distribuciones de probabilidad de una
variable aleatoria discreta
• Si la función de probabilidad f(x) determina la
probabilidad que una variable aleatoria tome un
valor especifico.
• Se requiere que:
0≤ f(x) ≤ 1
∑ f(x) = 1
Valor esperado de una V.A.D.
• El Valor Esperado de una Variable Aleatoria Discreta es
un promedio ponderado de todos los valores posibles de
la misma, donde las ponderaciones son las
probabilidades asociadas a los valores.
• De denota como:
E(x) = μ = ∑ x f(x)

x F(x) X f(x)
0 0,18 0*0,18 = 0
1 0,39 1*0,39= 0,39
2 0,24 2*0,24= 0,48
3 0,14 3*0,14= 0,42
4 0,04 4*0,04= 0,16
5 0,01 5*0,01= 0,05
E(x) = 1,5
Varianza de una V.A.D.
• La varianza es la variabilidad de los valores que asume
una variable aleatoria.
• Se denota como:
2
2
Var(x) = σ = ∑ (x – μ) f(x)
x x–μ 2 F(x) 2
(x – μ) (x – μ) f(x)
0 0-1,5 = -1,5 2,25 0,18 0,4050
1 1-1,5 = -0,5 0,25 0,39 0,0975
2 2 – 1,5 = 0,5 0,25 0,24 0,06
3 3 – 1,5 = 1,5 2,25 0,14 0,315
4 4 – 1,5 = 2,5 6,25 0,04 0,25
5 5 – 1,5 = 3,5 12,25 0,01 0,1225
σ2 = 1,25
La desviación estándar es la raiz cuadrada positiva de la varianza σ
Distribución de probabilidad binomial
Es el experimento que cumple las siguientes
características:
1. Consiste en una secuencia de n eventos
idénticos.
2. Dos resultados son posibles en cada ensayo.
Éxito y fracaso; cara y sello.
3. Las probabilidades de los dos resultados no
cambian de un ensayo a otro.
4. Los ensayos son independientes, es decir el
resultado de un ensayo no afecta el resultado del
otro.
Notación de la Distribución Binomial
• Si cumple las condiciones 2,3 y 4 se conoce como un
proceso de Bernoulli.
• Función de probabilidad binomial:
𝑛!
f(x) = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 con x= 0, 1, 2…n
𝑥! 𝑛−𝑥 !
Donde:
n: número de ensayos
P: probabilidad de éxito en un ensayo
x: número de éxitos en n ensayos
f(x): probabilidad de x éxitos en n ensayos
n! = n(n-1)(n-2)….(1)
Valor esperado y varianza
• El valor esperado es:
E(x) = μ = ∑ x f(x)
Para esta distribución binomial se cumple que:
μ = np
• La varianza es:
Var(x) = σ2 = np (1 - p)
Distribución de Probabilidad de Poisson
Es aplicable cuando:
1. La probabilidad de una ocurrencia del evento es la misma para dos
intervalos de igual longitud
2. La ocurrencia o no ocurrencia de un evento en cualquier intervalo
es independiente de la ocurrencia o no ocurrencia en cualquier
otro intervalo
La función de probabilidad es:
λ𝑥 𝑒 −λ
f(x) = para x= 1,2,3…
𝑥!
λ = media o número medio de ocurrencias en un intervalo
e = 2,71828
X = número de ocurrencias en el intervalo
f(x) = probabilidad de x ocurrencias en el intervalo
Ejercicio. Poisson
• Se desea conocer la cantidad de clientes que
llegan a un cajero electrónico durante 15
minutos en las mañanas de los días hábiles. Si se
asume que la probabilidad de llegada de un
cliente es igual en intervalos de tiempos iguales,
y que la llegada de clientes es independiente, la
distribución de Poisson es aplicable. Si se conoce
que el número medio de clientes que llega es de
10 durante los 15 minutos, se aplica la función de
probabilidad con λ = 10 clientes.
Ejercicio. Poisson
λ𝑥 𝑒 −λ 10𝑥 𝑒 −10
• f(x) = = para x= 1,2,3…
𝑥! 𝑥!
• Si
100 𝑒 −10
• f(0) = = = 0,00
0!
101 𝑒 −10
• f(1) = = = 0,005
1!
• Calcule la probabilidad para x = 2, 3, 4, 5, 6, 7, 8,
9.
• Cuál es la probabilidad que al menos lleguen 5
clientes?
Variables aleatorias contínuas
• Se presentan en modelos en los cuales
▫ No se conoce el comportamiento de las variables,
es incierto.
▫ Esta definido para todo instante de tiempo, en un
intervalo de observación.
▫ El comportamiento de las variables esta asociado a
una distribución de probabilidad.
Distribución de probabilidad Uniforme
• Se define cuando la variable tiene la misma
probabilidad de ocurrencia en cualquier
intervalo de tiempo.
• La variable puede tomar cualquier valor en el
intervalo (por esto es contínua).
Valores Y
6

4
Valores Y
2

0
0 5 10 15
Notación de la Distribución Uniforme

• Función de probabilidad Uniforme:

1
f(x) = 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏 𝑥
𝑏−𝑎
0 en cualquier otro valor

Como la variable x puede tomar un número de

valores infinitos se asume la probabilidad en
función de que la variable aleatoria tome un valor
dentro de un intervalo dado.
Ejemplo: Distribución Uniforme
• Una persona demora en llegar a su casa en la noche
mínimo 1 hora y máximo 1 hora y 20 minutos.
• Defina la función de probabilidad
• Dibuje la gráfica de distribución de probabilidad.
• Cuál es la probabilidad que se demore entre 1 hora y
1 hora y un minuto?
• Cuál es la probabilidad que demore entre 1 hora y 1
hora y 10 minutos?
• Se puede conocer la probabilidad por el área, cómo?
Diferencias entre las variables
aleatorias discretas y continuas

• La probabilidad de la variable toma un valor en

Discretas particular.
• La probabilidad es representada como un punto
instantáneo en una gráfica.

• La probabilidad que la variable tome un valor dentro

de un intervalo dado.

Continuas • La probabilidad en ese intervalo se define como el

área bajo la curva de la función de densidad de
probabilidad en el intervalo. Entonces la probabilidad
de que la variable tome un valor particular es cero.
Distribución de probabilidad normal
• Es muy utilizada, porque existen muchos
fenómenos de la vida real y variables que se
pueden expresar así.
• La función de densidad de probabilidad es una
curva con forma de campana de gauss.
Notación de la Distribución Normal
• Función de probabilidad normal:
2
f(x) = (1/σ 2𝜋) 𝑒 −(x− μ) / 2 σ2
con -∞ ≤ x ≤ ∞
Donde:
μ : Media o valor esperado de la variable aleatoria x
σ2 : Varianza de la variable aleatoria x
σ : desviación estándar de la variable aleatoria x
𝜋 : 3,1416
e = 2,71828
Distribuciones de probabilidad con la
misma media
Distribución Normal Estándar
• Se presenta cuando:
▫ μ=0
▫ σ=1
• Z : variable aleatoria con
distribución normal
estándar
• La probabilidad también
corresponde al área bajo la
curva
• Los valores de z negativos y
positivos se consultan en las
tablas.
Cálculo de probabilidades para
distribuciones normales
• Se puede convertir
cualquier función con
media μ y desviación
estándar σ, a una
distribución normal
estándar utilizando la
fórmula:
• Z=x-μ/σ

• En este caso z es el
número de desviaciones
estándar que x está alejada
de μ
Ejercicio Distribución Normal Estándar
• Una fábrica esta probando el recorrido promedio de una
nueva llanta que se calcula en μ=35.500 km y con una
desviación estándar de σ= 5.000 km. Se identifica que
este comportamiento sigue una distribución normal.
• Qué porcentaje de llantas se puede esperar dure más de
40.000 km?
• Cuál es la probabilidad que al menos dure 30.000 km?
• Si se da un descuento a las llantas que no cumplan con el
recorrido mínimo y se quiere que este no sea de más del
10% de las llantas, cuál debe ser el kilometraje de
garantía de las llantas?
Distribución de probabilidad
exponencial
• Es una distribución empleada usualmente para
identificar el tiempo de completar una tarea.
• Llegada entre clientes
• Tiempo para prestar un servicio
• Tiempo entre errores medios en una línea
Notación de la Distribución
Exponencial
• Función de probabilidad exponencial:
1 −μ𝑥
f(x) = 𝑒
μ
para x ≥ 0, μ ≥ 0
Donde:
X : Variable aleatoria continua
μ : Media o valor esperado de la variable aleatoria x
e = 2,71828
Cálculo de probabilidades para la
distribución exponencial
• La probabilidad es el
área bajo la curva.
−𝑋μ0
• P ( x ≤ 𝑋0 ) = 1 - 𝑒

−𝑋μ1
• P ( x ≤ 𝑋1 ) = 1 - 𝑒

• 𝑡2
Ejercicio Distribución Exponencial
• Si los tiempos de atención a un cliente en un
banco son μ = 15 minutos, cuál es la
probabilidad que se requieran menos de 6
minutos para atender a un cliente?
• Cuál es la probabilidad que se demore entre 6 y
15 minutos?
• Cuál es la probabilidad que se demore más de 18
minutos?
Bibliografía
• MORA, Héctor M.,Temas de Optimización. . Facultad De Ciencias
Universidad Nacional 2009.
• TAHA Handy. Investigación de operaciones. Pearson Educación.
México. 2004.
• EPPEN G.D. y otros. Investigación de operaciones en la ciencia
administrativa. Pearson Educación. México. 2.000.
• HILLIER Fredery y LIEBERMAN. Investigación de operaciones.
McGraw Hill. México. 2.001.
• ANDERSON David y otros. Métodos cuantitativos para los negocios.
Ed. Cengage Learning , 11ª. Ed. 2010.
• HEIZER Jay, Dirección de la Producción y Operaciones, 8ª. Edición,
Prentice Hall, 2007.
• KRAJEWSKI Lee, Administración de Operaciones, 8ª. Edición,
PrenticeHall, 2008.
• DUARTE Oscar, Análisis de Sistemas Dinámicos Lineales, Universidad
Nacional de Colombia.
Ejercicio
• Se reunieron datos sobre el número de salas de
operaciones en uso en un hospital, durante un período
de 20 días. En tres días sólo se utilizó una de las salas de
operaciones. En 5 días se usaron 2, en 8 días se usaron 3,
y en 4 días se usaron todas.
• Utilice el método de frecuencia relativa para elaborar
una distribución de probabilidad para el número de salas
de operaciones en uso en cualquier día.
• Elabore la gráfica de la distribución de probabilidad.
• Muestre que su distribución de probabilidad satisface los
requisitos de una distribución de probabilidad discreta
válida.
• Qué le recomienda a este hospital.
Quiz
• El tiempo de vida (en horas) de un aparato
electrónico es una variable aleatoria con una
función de probabilidad exponencial.
𝑒 −x/50 para x>= 0
1
• f(x) =
50
a. Cuál es el tiempo de vida media del aparato?
b. Cuál es la probabilidad de que el dispositivo falle
en las primeras 25 horas de operación?
c. Cuál es la probabilidad de que el dispositivo opere
100 horas o más antes de fallar?